vlambda博客
学习文章列表

一文学会MapReduce编程



 MapReduce编程模型,相对于初学者来说,会有一些门槛,没关系,这一篇让你学会使用MapReduce进行分布式处理。




01



MapReduce编程模型


MapReduce 框架只对 <key, value> 形式的键值对进行处理。MapReduce会将任务的输入当成一组 <key, value> 键值对,最后也会生成一组 <key, value> 键值对作为结果。

常见的输入为文件,此时读取的行偏移量会作为Key,文件内容作为Value。

key 和 value 的类必须由框架来完成序列化,所以需要实现其中的可写接口(Writable)。如果需要进行数据排序,还必须实现 WritableComparable 接口。

MapReduce已经提供了基本数据类型的Writable实现类,自定义类需要自行实现接口。

常见的基本数据类型的Writable有IntWritable、LongWritable、Text等等。

MapReduce任务由Map和Reduce两个过程,所以需要分别进行编写。Map的实现需要继承Mapper类,实现map方法完成数据处理;Reduce则要继承Reduer类,实现reduce方法完成数据聚合。
/** KEYIN:输入kv数据对中key的数据类型* VALUEIN:输入kv数据对中value的数据类型* KEYOUT:输出kv数据对中key的数据类型* VALUEOUT:输出kv数据对中value的数据类型* 数据类型为Writable类型*/public static class MyMapper extends Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>{ // Context为MapReduce上下文,在Map中通常用于将数据处理结果输出 public void map(KEYIN key, VALUEIN value, Context context) throws IOException, InterruptedException {// Map功能的实现 } }
public static class MyReducer extends Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {// 这里reduce方法的输入的Value值是可迭代Iterable类型,因为Reduce阶段会将Key值相同的数据放置在一起 public void reduce(KEYIN key, Iterable<VALUEIN> values, Context context ) throws IOException, InterruptedException { // Reduce功能的实现 }}


除了MapReduce,为了提高Shuffle效率,减少Shuffle过程中传输的数据量,在Map端可以提前对数据进行聚合:将Key相同的数据进行处理合并,这个过程称为Combiner。

Combiner需要在Job中进行指定,一般指定为Reducer的实现类。

Map和Reduce的功能编写完成之后,在main函数中创建MapReduce的Job实例,填写MapReduce作业运行所必要的配置信息,并指定Map和Reduce的实现类,用于作业的创建。


public static void main(String[] args) throws Exception {// 配置类 Configuration conf = new Configuration(); // 创建MapReduce Job实例 Job job = Job.getInstance(conf, "Job Name"); // 为MapReduce作业设置必要的配置 // 设置main函数所在的入口类 job.setJarByClass(WordCount.class); // 设置Map和Reduce实现类,并指定Combiner job.setMapperClass(MyMapper.class); job.setCombinerClass(MyReducer.class); job.setReducerClass(IntSumReducer.class); // 设置结果数据的输出类 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 设置结果数据的输入和输出路径 FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 作业运行,并输出结束标志 System.exit(job.waitForCompletion(true) ? 0 : 1);}


除了基本的设置外,还可以指定Reduce的个数


job.setNumReduceTasks(int)


MapReduce提供的常见类,除Mapper、Reduer之外,还有Partitioner和Counter。

其中Partitioner可以自定义Map中间结果输出时对Key的Partition分区,其目的是为了优化并减少计算量;如果不做自定义实现,HashPartitioner 是 MapReduce 使用的默认分区程序。

Counter (计数器)是 MapReduce 应用程序报告统计数据的一种工具。在 Mapper 和 Reducer 的具体实现中,可以利用 Counter 来报告统计信息。



02



WordCount实现


接下来,实现最经典的入门案例,词频统计。编写MapReduce程序,统计单词出现的次数。

数据样例:

一文学会MapReduce编程


首先准备数据,并上传到HDFS中:


// 将Hadoop当前用户切换为hdfs,进行访问授权export HADOOP_USER_NAME=hdfs// 在HDFS中创建作业输入目录hadoop fs -mkdir -p /tmp/mr/data/wc_input// 在本地创建词频统计文件vim wordcount.txt// 文本内容如下hello hadoophello hdfshello yarnhello mapreduce// 将wordcount.txt上传到作业输入目录hadoop fs -put wordcount.txt /tmp/mr/data/wc_input

在linux本地创建WordCount.java文件,编辑MapReduce程序,完成词频统计功能:


import java.io.IOException;import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WordCount {
/** 实现Mapper,文件的每一行数据会执行一次map运算逻辑* 因为输入是文件,会将处理数据的行数作为Key,这里应为LongWritable,设置为Object也可以;Value类型为Text:每一行的文件内容* Mapper处理逻辑是将文件中的每一行切分为单词后,将单词作为Key,而Value则设置为1,<Word,1>* 因此输出类型为Text,IntWritable*/public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
// 事先定义好Value的值,它是IntWritable,值为1 private final static IntWritable one = new IntWritable(1); // 事先定义好Text对象word,用于存储提取出来的每个单词 private Text word = new Text();
public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { // 将文件内容的每一行数据按照空格拆分为单词 StringTokenizer itr = new StringTokenizer(value.toString()); // 遍历单词,处理为<word,1>的Key-Value形式,并输出(这里会调用上下文输出到buffer缓冲区) while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } }}
/** 实现Reducer* 接收Mapper的输出,所以Key类型为Text,Value类型为IntWritable* Reducer的运算逻辑是Key相同的单词,对Value进行累加* 因此输出类型为Text,IntWritable,只不过IntWritable不再是1,而是最终累加结果*/public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { // 预先定义IntWritable对象result用于存储词频结果 private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; // 遍历key相同单词的value值,进行累加 for (IntWritable val : values) { sum += val.get(); } result.set(sum); // 将结果输出 context.write(key, result); }}
// 实现Main方法public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1);}}


接下来将代码编译为jar包:


export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jarhadoop com.sun.tools.javac.Main WordCount.javajar cf wc.jar WordCount*.class


当然也可以使用IDE进行编译打包。

打包完成之后,便可以提交作业了,在main函数中,定义了两个参数:输入路径和输出路径,所以调用作业时需要指定参数。


hadoop jar wc.jar WordCount /tmp/mr/data/wc_input /tmp/mr/data/wc_output


运行结束后,查看运行结果是否正确:


hadoop fs -cat /tmp/mr/data/wc_output/part-r-*






看到这里,关于MapReduce编程,你懂了吗?记得关注,下期见!




扫描二维码

获取更多精彩

数舟,再会